基本推荐模型

最新推荐文章于 2023-04-25 09:20:30 发布

自由技艺

最新推荐文章于 2023-04-25 09:20:30 发布

阅读量147

点赞数 1

CC 4.0 BY-SA版权

分类专栏： AI

本文链接：https://blog.csdn.net/qq_28133013/article/details/116235121

AI 专栏收录该内容

21 篇文章 ¥29.90 ¥99.00

订阅专栏

超级会员免费看

本文介绍了推荐系统中的NCF模型，强调了Wide & Deep Model在用户与应用匹配度中的作用，其中Wide部分负责记忆，Deep部分负责泛化。候选生成阶段采用层次softmax和负样本采样技术。在排名阶段，目标函数关注的是watch_minutes_per_impression，而非点击率，以减少click-bait问题。此外，还提到了DMF模型以及特征子集搜索策略。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

NCF
1 means item i is relevant to u， and 0 otherwise
在这里插入图片描述
目标函数：用户和app的匹配程度
Wide & Deep Model – ranking model （Google Play，基于用户query，推荐合适的item)
memorization（记忆）：wide（LR），线性模型 + 交叉特征（AND）
generalization（泛化）：deep（DNN），几乎不需要人工特征工程
ex.
query = “fried chicken”, ->（0，0）
item = “chicken fried rice” -> （0， 1）

word1 word2 wordX word 4

wordX -> word1 word2 word4
在这里插入图片描述
Candidate Generation – 超大规模分类问题（类似skip-gram，采用方法：hierarchical softmax 和 negative sample）
youtube把召回阶段建模为一个分类模型，其目标是根据上下文C，用户U，从集合V中找到时刻t最可能被观看的视频Wt
u代表用户和conte